基于图像处理与GUI的大蒜切脐的研究

本课题采用数字图像处理技术,通过研究适合于大蒜切脐定位的专用算法,通过GUI界面编程编写出大蒜切脐软件系统,实现对切脐位置的自动、精确定位。结果表明,该程序能够很好的将大蒜根须与蒜体区分,为大蒜切脐机械化的实现提供了技术支持。     

数字图像处理中的点运算实验教学研究

在数字图像处理课程中,点运算是很重要和基础的一类图像处理技术,实验操作性也很强,对于图像的后续处理极为重要.本文讨论了点运算实验的设计内容、相关要求及其实现方法.     

基于机器视觉的沙糖橘果皮破裂和缺陷检测

在对果皮质量进行检测分级时，破裂果、机械损伤和硬疤是沙糖橘表面常见的主要缺陷。传统的自动检测系统通常不能准确地识别这些表面缺陷。为了解决这一问题，设计了一种硬件和软件相结合的计算机视觉检测分类系统。该系统采用单CCD和LED环形光源，通过计算机协作，利用计算机视觉系统提取沙糖橘果皮的正面图像，构建了有效的图像采集方法、预处理方法、颜色模型和分割方法，采用傅里叶变换、高频滤波、形态学(方案)和分类树等方法对沙糖橘的表面缺陷进行研究，并为实际的自动化应用找到更准确和更合适的方法。结果表明，该方法的可靠性和稳定性优于传统的单一形态学的识别方法。     

无人机机载激光雷达提取果树单木树冠信息

定株管理是未来果园精准生产管理的趋势，果树单木树冠信息的提取是定株管理的关键。该研究利用无人机采集的苹果园激光探测与测量数据（Light Detection and Ranging，LiDAR）检测和测量每棵果树的树冠面积和树冠直径，并评价空间分辨率对于果树单木树冠检测与提取的影响。该方法主要包括使用反距离权重插值法间接生成冠层高度模型（Canopy Height Model，CHM）；使用局部极大值滤波算法和标记控制分水岭分割算法（Marked-Controlled Watered Segmentation，MCWS）对果树进行单木树冠检测与提取，通过与参考数据的比较，评估了该方法的精度，并定量分析了空间分辨率对于单木树冠检测与信息提取结果的敏感性。结果表明，该方法有效地实现果树单木树冠检测与信息提取，代表果树检测精度的F1得分为94.86%，树冠轮廓提取准确率为86.39%，树冠面积的提取数据集和参考数据集的线性拟合结果决定系数和归一化均方根误差分别为0.81和20.56%，树冠直径的提取数据集和参考数据集的线性拟合结果决定系数和归一化均方根误差分别为0.85和14.79%，树冠面积和直径不同程度地被高估。此外，冠层高度模型的空间分辨率接近果树平均树冠直径的1/10时精度最高，可以有效检测果树单木树冠及提取树冠轮廓，从而准确提取果树单木树冠信息。     

基于机器视觉的马铃薯晚疫病快速识别

晚疫病是马铃薯的一种严重病害,可造成减产甚至绝收。因此马铃薯晚疫病的识别与控制对提高其产量有非常重要的意义。该文基于机器视觉技术对马铃薯叶部晚疫病进行检测,根据马铃薯叶片上晚疫病斑的颜色、纹理和形状特征参数的不同,提取叶片表面的特征参数,并建立数学模型对病害程度做出评价。在RGB、HSV颜色空间中,根据马铃薯叶片在患病早期叶片颜色发生变化且与健康叶片不同,利用颜色特征,建立马铃薯晚疫病的无病和患病模型,该模型对马铃薯患病早期的识别率为67.5%。利用灰度共生矩阵,采用纹理统计参数进行病害等级评价,用熵值和能量值描述晚疫病的严重程度,纹理特征对患病程度的识别率比较稳定,对患病中期与后期的识别率分别为72.5%与80%。利用形状特征的相对特征,根据病斑面积比进行晚疫病诊断,该方法对马铃薯叶片晚疫病患病后期的诊断取得较好效果,识别率为90%,但由于叶片患病早期的病斑面积小且分散,识别难度大,识别率仅为50%。针对颜色、纹理及形状特征在识别马铃薯叶片晚疫病时的优势与局限性,提出颜色纹理形状特征结合的识别方法,对患病中期与后期的识别率分别为90%和92.5%。通常马铃薯晚疫病的理化值检测法耗时数天,但利用机器视觉识别马铃薯晚疫病患病情况非常快速,根据颜色特征进行病害识别的时间约为4 s,纹理特征识别的时间为7 s,形状特征特征识别的时间为3 s,综合颜色纹理形状特征的识别由于计算量较大,识别时间为9 s。该研究可为基于机器视觉的马铃薯晚疫病的快速检测提供理论依据。     

基于特征金字塔注意力与深度卷积网络的多目标生猪检测

在生猪饲养环境中,猪只黏连、杂物遮挡等给生猪个体多目标检测带来很大困难。该研究以猪圈群养生猪为研究对象,以视频帧为数据源,提出一种适用于生猪形体检测的特征金字塔注意力(FeaturePyramidAttention,FPA)与Tiny-YOLO相结合的模型FPA-Tiny-YOLO。该模型将注意力信息融入到特征提取过程,在不大幅增加计算量的前提下即可提升特征提取能力、提高检测精度。对8栏日龄20～105 d的45头生猪视频截取图像进行图像处理,获得标注图片4 102张,构建了4种深度FPA模块分别加入YOLOV3与Tiny-YOLO模型中。试验表明,深度为3的FPA模块(即FPA-3)的Tiny-YOLO模型在测试集上对群养生猪多目标检测的召回率Recall、F1与平均检测精度m AP指标值最佳,分别达到86.09%、91.47%和85.85%,比未引入FPA模块的Tiny-YOLO模型均有不同程度的提高。选用不同的IOU(Intersection Over Union)和score阈值超参数值对模型预测结果均有不同程度影响;将测试集图像按照是否黏连与遮挡划分4种场景来探究该模型的鲁棒性。试验表明,加入FPA-3模块后Tiny-YOLO的Recall、F1与m AP比Tiny-YOLO分别提升6.73、4.34和7.33个百分点,说明特征金字塔注意力信息有利于精确、有效地对不同场景群养生猪进行多目标检测。研究结果可为后续开展生猪身份识别和行为分析移动端应用提供参考。     

基于GF-6卫星影像多特征优选的酿酒葡萄精准识别

多源遥感信息和特征优选是提高农作物识别精度的重要支撑，高分六号（GF-6）卫星作为首次引入红边波段的国产卫星，其丰富的光谱信息为作物识别提供了新的思路和解决途径。该研究基于宁夏回族自治区银川市永宁县2018年6月-2019年3月的GF-6数据，充分利用红边优势提取光谱特征、纹理特征和植被指数特征，构建多种特征组合方案，并根据随机森林算法对特征重要性进行度量，选取最优特征组合对酿酒葡萄进行精准识别。结果表明，与单一特征相比，多源遥感特征的增加显著改善了酿酒葡萄分类效果，其中，植被指数贡献程度最大，光谱特征次之；基于随机森林的优选特征组合分类效果最佳，其中，总体分类精度为94.15%，酿酒葡萄用户精度为94.23%，制图精度为92.59%；以实地调查的4个酒庄为验证区，将酿酒葡萄提取结果与统计数据进行对比，面积相对精度均在70%以上，其中优选特征结果相对精度在90%以上，研究结果将为国产卫星红边波段在植被分类和识别方面的应用提供数据参考。     

1种农产品图像混合滤波算法的应用

针对农产品图像中的混合噪声,提出了1种有效的滤波算法。首先从噪声检测和标记方法、自适应加权滤波等环节对中值滤波算法进行适当改进,从而提出了1种改进自适应加权中值滤波算法对混合农产品噪声图像进行第1阶段滤波;然后对滤波后图像分别采用3×3滤波窗口、5×5滤波窗口的均值滤波算法进行第2阶段滤波;最后对均值滤波后的图像进行等权融合处理。分别将研究的滤波算法与中值滤波、加权中值滤波、极值中值滤波、均值滤波等算法进行试验仿真对比,结果表明,经过研究的算法滤波后图像清晰度明显高于其余算法且噪声残留程度明显低于其余算法,这对于农产品的高效处理具有一定的借鉴价值。     

基于高光谱图像处理的大豆品种识别探析

大豆这种农产品在中国有特殊的地位,中国东北是最适合大豆种植的地区之一,所以大豆也成了中国在国际农产品市场上的主要竞争品.大豆的经济价值、使用价值以及药用价值都很高,作用广泛.但是不同种类的大豆之间差异很大,只有在准确识别大豆的种类的基础上,才能有效提高我国大豆品质.本文中通过高光谱图像的处理方法,在不同种类的大豆中进行分析.实践证明,高光谱图像技术的识别准确率达 90％以上,识别作用明显,能有效的为大豆的种类提供参考.     

计算机视觉技术中农业自动化的应用

计算机视觉技术已经从传统领域逐步发展到了农业领域,笔者通过对这一系统的大致情况进行了解,并针对这一系统目前在农业生产过程中的运用情况进行了一个简单初步的介绍,同时对这一系统在农业生产领域的未来发展前景这一问题上进行了展望。